【数学建模】数学建模(一)——数学模型概述

杨利霞

【数学建模】数学建模(一)——数学模型概述
$ f4 r  Z3 c& r: q' G6 m' k

一. 模型
1. 原型和模型
" [) a2 g. z. t, Z0 r$ T' j        原型指人们在现实世界里关心、研究或从事生产、管理的实际对象。模型则指为了某个特定目的将原型的某一部分信息简缩、提炼而构造的原型替代物。
# I* C3 t* k0 @' x- d# A$ Z5 [       按照模型替代原型的方式，模型可以分为物质模型（形象模型）和理想模型（抽象模型）。前者包括直观模型、物理模型等，后者包括思维模型、符号模型、数学模型等。
# ^9 e0 ~/ E, A& d, I) z       数学模型可以描述为，对现实世界的一个特定对象，为了一个特定目的，根据特有的内在规律，作出一些必要的简化假设，运用适当的数学工具，得到的一个数学结构。
2. 建模方法
        建模方法大体可以分为机理分析和测试分析两种。机理分析是根据对客观事物特性的认识，找出反应内部机理的数量规律，建立的模型常有明确的物理或现实意义。测试分析是将研究对象看作一个“黑箱”系统，通过对系统输入、输出数据的测量和统计分析，按照一定的准则找出与数据拟合的最好的模型。
3. 建模步骤
        按机理分析方法的建模步骤如下

4. 建模过程
$ O0 a4 ]. C& w* ^4 i7 ~        按一般步骤，数学建模过程分为表述、求解、解释、验证几个阶段，并通过这些阶段实现从数学模型到现实对象的循环。
7 K" f, Y* i2 M, ]7 \
! l$ c; [/ I3 x( }

8 }( w/ _2 L. h1 A5. 模型分类
        按建立模型的数学方法：初等模型、几何模型、统计回归模型、数学规划模型等。
        按模型的表现特性：确定性模型和随机模型、静态模型和动态模型、线性模型和非线性模型、离散模型和连续模型。
        按建模目的：描述模型、预报模型、优化模型、决策模型等。
  p/ ?) n3 @- F! F% E        按对模型结构的了解程度：白箱模型、灰箱模型、黑箱模型。
0 a' Y0 n8 r1 P, k8 }二. 系统辨识
4 U* M% H+ P2 Q1 I        在科学研究和工程实践中，实验和观测是重要的手段之一。实验的结果是输入和输出的数据，通过这些数据去建立数学模型就是系统辨识。
        系统辨识为：根据输入与输出数据在指定的一类系统中选择一个系统，这个系统和所研究的实践系统等价。
& N3 J2 F! [, K9 X0 Q0 c
        系统辨识大致步骤：①模型类的选择；②实验设计；③参数估计；④模型核验与确认。

4 k$ Y! X4 r$ g* g8 Q2 E" d




8 ?" o# L. F1 r2 U, _" }三. 机器学习
       机器学习就是把无序的数据转换成有用的信息，它的主要任务就是分类，其中涉及的几个关键概念：①训练集是用于训练机器学习算法的数据样本几何；②目标变量是机器学习算法的预测结果，在分类算法中，目标变量的结果类型通常是标称型的，而在回归算法中通常是连续型的；③知识表示可以采用规则集的形式，也可以采用概率分布的形式。
        机器学习的另一个任务是回归，它主要用于预测数值型数据。分类和回归属于监督学习，是因为这类算法必须知道预测什么，即目标变量的分类信息。与监督学习相对应的是无监督学习，此时数据没有类别信息，也不会给定目标值。在无监督学习中，将数据集合分成由类似的对象组成的多个类的过程被称为聚类；将寻找描述数据统计值的过程称为密度估计。

用于执行分类、回归、聚类和密度估计的机器学习算法

3 w0 j  H: |+ j* A$ M) Y3 F
, n+ x2 A) ?/ e5 j& M3 ~1 Y

8 H+ j5 n) ]# o3 Z

/ W: e7 i; s/ `
        机器学习程序设计的步骤：①收集数据；②准备输入数据；③分析输入数据；④训练算法；⑤测试算法；⑥使用算法。
) t& \- t3 [2 j
参考文献：
/ M& H5 T, W6 _" d" S- c1. 数学模型（第四版）. 姜启源
: o6 }: n! A; R9 I! x# f0 c2. 系统建模与辨识 . 王秀峰
5 Z$ u5 s$ m1 C' ?1 r4 _" I3. 机器学习（第九版）
5 m# X$ R( b6 ^

: R8 V( x7 M* ^# B8 k/ P2 K

龙龙鲸鱼寜

谢谢楼主分享